This dissertation studies the critical relationship between Artificial Intelligence and Security within the Financial Services Sector (FSS). The research is structured around two main topics: “AI for Security” and “Security for AI”.

“AI for Security” represents the strategic value and opportunity of using AI in the FSS as a powerful defensive tool, for vulnerability management, threat analytics, and compliance monitoring. The aim is to identify which are the key benefits of adopting AI tools in the FSS and address how leaders take (or should take) advantage of them to be more competitive and resilient.

On the other hand, “Security for AI”, represents the strategic risk management of using AI and addresses the critical challenge of securing the same AI systems from data poisoning and adversarial attacks that target algorithms. The aim is to identify the key security risks from adopting AI tools in the FSS and address how leaders mitigate (or should mitigate) them to prevent disastrous financial and reputational harm.

Financial institutions are in a strategic race to deploy AI and gain competitive advantage. However, this quick adoption creates a new, high-risk attack surface. A compromised AI model could trigger financial losses, compliance regulatory penalties, and reputational losses. FSS senior leaders do not only have a technical problem to solve but also an important strategic dilemma to make on how to balance the clear ROI of AI driven security with the complex, unquantified risk of insecure AI. This research has a main objective to assess how financial organizations use AI to strengthen cybersecurity systems and to evaluate the security threats and vulnerabilities inherent to AI models.

Methodologically a mixed methods approach is applied on the research design. Primary data is collected through a semi structured questionnaire answered from senior experts in Greek FSS. Collected data is analyzed through descriptive statistics supported by qualitative answers, five reliability tests and twelve inferential hypothesis tests. Findings from statistical analysis are interpreted along with readings from literature review.

Results show that “AI for Security” and “Security for AI” represent a single organizational capability rather than two independent processes. Financial institutions have mostly moved beyond the pilot stages of experimental AI deployment to the integration of AI in their security operations. This is linked to actual results that strengthen the strategic value of AI and the realization of ROI. However, value is acknowledged through the level of threat/fraud detection automation, rather than their actual AI maturity stage.

Results also reveal a clear gap between AI deployment and AI governance. Governance maturity is not necessarily associated with deployment maturity stage, ROI or cross-team alignment. Instead, it appears to be mainly driven by external regulatory pressure and ERM integration maturity. Furthermore, risk perception appears to be mainly sector dependent rather than AI deployment maturity driven, with technology vendors having higher awareness of specific AI threats.

Overall, this study concludes that institutions treating “AI for Security” and “Security for AI” as a single organizational capability, are best positioned to gain competitive advantages and operational efficiency.

Αυτή η διατριβή μελετά την κρίσιμη σχέση μεταξύ Τεχνητής Νοημοσύνης και Ασφάλειας στον Τομέα Χρηματοοικονομικών Υπηρεσιών (FSS). Η έρευνα διαρθρώνεται γύρω από δύο κύρια θέματα: «Τεχνητή Νοημοσύνη για την Ασφάλεια» και «Ασφάλεια για την Τεχνητή Νοημοσύνη».

Ο όρος «Τεχνητή Νοημοσύνη για την Ασφάλεια» εκφράζει τη στρατηγική αξία και την ευκαιρία χρήσης της Τεχνητής Νοημοσύνης στον Τομέα Χρηματοοικονομικών Υπηρεσιών ως ένα ισχυρό αμυντικό εργαλείο, για τη διαχείριση τρωτών σημείων, την ανάλυση απειλών και την παρακολούθηση της κανονιστικής συμμόρφωσης. Στόχος είναι να προσδιοριστούν ποια είναι τα βασικά οφέλη από την υιοθέτηση εργαλείων Τεχνητής Νοημοσύνης στον Τομέα Χρηματοοικονομικών Υπηρεσιών και να εξεταστεί πώς οι ηγέτες τα εκμεταλλεύονται (ή θα έπρεπε να τα εκμεταλλευτούν) για να είναι πιο ανταγωνιστικοί και ανθεκτικοί οι οργανισμοί τους.

Από την άλλη πλευρά, ο όρος «Ασφάλεια για την Τεχνητή Νοημοσύνη» εκφράζει τη στρατηγική διαχείριση κινδύνου από τη χρήση της Τεχνητής Νοημοσύνης στον Τομέα Χρηματοοικονομικών Υπηρεσιών και αντιμετωπίζει την κρίσιμη πρόκληση της ασφάλειας των ίδιων συστημάτων Τεχνητής Νοημοσύνης από «δηλητηρίαση» δεδομένων και εχθρικές επιθέσεις που στοχεύουν τους αλγόριθμους. Στόχος είναι να προσδιοριστούν οι βασικοί κίνδυνοι ασφαλείας από την υιοθέτηση εργαλείων Τεχνητής Νοημοσύνης στον Τομέα Χρηματοοικονομικών Υπηρεσιών και να εξεταστεί πώς οι ηγέτες τους αντιμετωπίζουν (ή θα έπρεπε να τους αντιμετωπίζουν) για να αποτρέψουν καταστροφικές οικονομικές απώλειες και απώλειες στη φήμη των οργανισμών τους.

Τα χρηματοπιστωτικά ιδρύματα βρίσκονται σε έναν στρατηγικό αγώνα για την ανάπτυξη της Τεχνητής Νοημοσύνης και την απόκτηση ανταγωνιστικού πλεονεκτήματος. Ωστόσο, αυτή η γρήγορη υιοθέτηση δημιουργεί μια νέα επιφάνεια επίθεσης υψηλού κινδύνου. Ένα παραβιασμένο μοντέλο Τεχνητής Νοημοσύνης θα μπορούσε να προκαλέσει οικονομικές απώλειες, κυρώσεις συμμόρφωσης με τους κανονισμούς και απώλειες φήμης. Τα ανώτερα στελέχη του Τομέα Χρηματοοικονομικών Υπηρεσιών δεν έχουν μόνο ένα τεχνικό πρόβλημα να λύσουν, αλλά και ένα σημαντικό στρατηγικό δίλημμα σχετικά με το πώς να εξισορροπήσουν την σαφή απόδοση επένδυσης (ROI) της ασφάλειας που βασίζεται στην Τεχνητή Νοημοσύνη με τον πολύπλοκο, μη ποσοτικοποιημένο κίνδυνο της ανασφαλούς Τεχνητής Νοημοσύνης. Αυτή η έρευνα έχει ως κύριο στόχο να αξιολογήσει τον τρόπο με τον οποίο οι χρηματοπιστωτικοί οργανισμοί χρησιμοποιούν την Τεχνητή Νοημοσύνη για την ενίσχυση των συστημάτων κυβερνοασφάλειας και να αξιολογήσει τις απειλές και τα τρωτά σημεία ασφαλείας που είναι εγγενή στα μοντέλα Τεχνητής Νοημοσύνης.

Μεθοδολογικά, στον σχεδιασμό της έρευνας εφαρμόζεται μια προσέγγιση μικτών μεθόδων. Τα πρωτογενή δεδομένα συλλέγονται μέσω ενός ημιδομημένου ερωτηματολογίου που απαντάται από έμπειρους ειδικούς στον Ελληνικό Τομέα Χρηματοοικονομικών Υπηρεσιών. Τα συλλεγόμενα δεδομένα αναλύονται μέσω περιγραφικής στατιστικής υποστηριζόμενης από ποιοτικές απαντήσεις, πέντε δοκιμών αξιοπιστίας και δώδεκα δοκιμών επαγωγικών υποθέσεων. Τα ευρήματα από τη στατιστική ανάλυση ερμηνεύονται μαζί με τις αναγνώσεις από την ανασκόπηση της βιβλιογραφίας.

Τα αποτελέσματα δείχνουν ότι η «Τεχνητή Νοημοσύνη για την Ασφάλεια» και η «Ασφάλεια για την Τεχνητή Νοημοσύνη» αντιπροσωπεύουν μια ενιαία οργανωτική ικανότητα και όχι δύο ανεξάρτητες διαδικασίες. Τα χρηματοπιστωτικά ιδρύματα έχουν ως επί το πλείστων προχωρήσει πέρα ​​από τα πιλοτικά στάδια της πειραματικής ανάπτυξης της Τεχνητής Νοημοσύνης στην ενσωμάτωσή της στις λειτουργίες ασφαλείας τους. Αυτό συνδέεται με πραγματικά αποτελέσματα που ενισχύουν τη στρατηγική αξία της Τεχνητής Νοημοσύνης και την επίτευξη απόδοσης επένδυσης (ROI). Ωστόσο, η αξία αναγνωρίζεται μέσω του βαθμού αυτοματοποίησης ανίχνευσης απειλών/απάτης, παρά μέσω του πραγματικού σταδίου ωριμότητας της Τεχνητής Νοημοσύνης.

Τα αποτελέσματα αποκαλύπτουν επίσης ένα σαφές χάσμα μεταξύ της ανάπτυξης της τεχνητής νοημοσύνης και της διακυβέρνησης της τεχνητής νοημοσύνης. Η ωριμότητα της διακυβέρνησης δεν σχετίζεται απαραίτητα με την ωριμότητα της ανάπτυξης, την απόδοση επένδυσης (ROI) ή την ευθυγράμμιση μεταξύ ομάδων. Αντίθετα, φαίνεται ότι καθοδηγείται κυρίως από την εξωτερική ρυθμιστική πίεση και την ωριμότητα ενσωμάτωσης στην διαχείριση επιχειρηματικού κινδύνου (ERM). Επιπλέον, η αντίληψη του κινδύνου φαίνεται να εξαρτάται κυρίως από τον τομέα και όχι από το στάδιο ωριμότητας ανάπτυξης της τεχνητής νοημοσύνης, με τους προμηθευτές τεχνολογίας να έχουν υψηλότερη επίγνωση συγκεκριμένων απειλών της τεχνητής νοημοσύνης.

Συνολικά, αυτή η μελέτη καταλήγει στο συμπέρασμα ότι τα ιδρύματα που αντιμετωπίζουν την «Τεχνητή Νοημοσύνη για την Ασφάλεια» και την «Ασφάλεια για την Τεχνητή Νοημοσύνη» ως μια ενιαία οργανωτική ικανότητα, βρίσκονται σε καλύτερη θέση για να αποκτήσουν ανταγωνιστικά πλεονεκτήματα και λειτουργική αποτελεσματικότητα.